行銷定價新型態：即時動態定價策略與實做（附實現程式碼）
動態定價顧名思義是一種採取變動價格的定價方式。在電子商務的世界裡，透過資料科學的分析與應用，產品價格變化的時間間距，可以小到以分秒來計。根據報導，亞馬遜於2013年，平均每天有超過250萬次的動態價格調整。
在傳統定價中，價格通常受到供給與需求的影響。而動態定價，則是透過系統即時分析、設定，產生價格的自動化過程。在實體商店裡，想要改變成千上萬件產品的價格並不容易，因為它必須透過人工將架上的產品重新換置。然而，在網路上卻相對簡單，因為網路商店可透過系統的設定，依據消費者近期的購買行為、銷售量、庫存量、甚至網路上最新的討論議題…等，作為產品定價的判斷因素，即時更改網路上的產品定價。
因此，就成本面與時效面來說，動態訂價提供網路商店更多且更即時的行銷操作空間，同時也更有利於庫存管理。例如：當新聞報導空氣品質嚴重不佳時，網路商店可透過資料分析，即時發展出多款空氣清新機商品的限時價格促銷活動，如不只降價，還買大送小。而當時間一到，系統馬上會將多項商品恢復原價。
另一種常用動態定價的情況，則就供給狀況的變化而有所轉換。例如：小至海鮮、酒品，大至預售屋，時常就以「時價」的方式來反應供給所造成的情形。再舉一個大家耳熟能詳的範例，Airbnb的經營模式正是因為擁有「給力（利）」的動態定價，才讓他們的房屋租借者不虞匱乏（因為受動態定價的影響，所以依照淡旺季快速調整營收策略，想辦法多賺點錢），這樣就能提供消費者更好的服務。
以下，簡單說明動態定價能為企業帶來的好處：
- 增加企業利潤率。
- 提高產品轉換率。
- 提升庫存管理效益。
- 刺激離峰尖峰時段的銷售。
- 提升對競爭者價格變動的反應。
至於如何進行動態定價，常見的動態定價方法如下：
- 時間動態定價：根據假日、淡旺季、離峰尖峰時間…等，進行動態定價。
- 地理動態定價：根據不同區域的狀態，進行動態定價。
- 競爭者動態定價：根據競爭者價格即時調整售價，如：限時最低價、產品組合定價…等。
- 消費者動態定價：對猶豫不決的顧客提供價格誘因促使購買。
而如今面臨電商及社群經營的型態考量下，我們更要參考淺談資料格式 — 結構化與非結構化資料文章的概念，尋常結構化資料蒐集模式，要儘快結合「非結構化」的資料，如：文字、圖片，迅速掌握消費者對於商品的看法，深入消費者的想法，以求更精準化的行銷動態定價！
但是… 身為一個平台經營商，不可能時刻盯在電腦前面，觀察消費者的需求，動態調整定價….，更遑論一秒可能產生千乃至萬評論資料的電商平台。
所以，這時候我們就要應用到行銷資料科學中的「機器學習」功能，來協助我們進行自動化的動態定價。
動態定價 — Python實戰去！
講解過整個動態定價的概念後，接著，我們要深入行銷資料科學的「資料科學」領域，結合「結構化」與「非結構化」資料結構，將爬蟲下來的實際資料，以Python 3 進行機器學習實戰！
我們即將使用 Mercari 電商平台上的爬蟲資料進行分析，並以「顧客行為」的角度切入動態定價。讀者可以想像一下，當有一賣家急著出清自家球鞋，並已將商品基本資訊，如：
- 商品名稱 — 輕量避震籃球鞋
- 商品狀態 — 7成新
- 商品敘述 — 高級名牌球鞋！限時優惠！
- 商品分類 — 球鞋
- 商品品牌 — 好棒棒牌
- 運費狀況 — 賣家付
…
等基本資料完成後，接著，最困難的就來了，賣家該如何根據現有狀況定價？ 如果這時突然跳出一系統訊息：「根據行情，本球鞋建議售價 1000元！ 可儘早賣出！」
這時賣家就可能受到系統訊息的影響，想說：「反正我要趕快出清，我就用系統建議架個賣掉好了。」也就是賣家的這個想法，我們已經不知不覺觸發了電商平台背後的「動態定價的機制」。
讀者可以花幾秒想想，這個簡單的機制背後到底隱含了什麼樣的目的？
最主要目的：
- 預測定價，再提供電商平台的賣家商品價錢建議，降低賣家定價猶豫的時間，提昇上架的速率。
- 電商平台化被動為主動，增加操縱賣家「動態售價」的可能性。
- 讓電商平台迅速掌握不同品項的動態定價，便可根據時間週期調整商品供需。
- 利用機器學習模型與損失函數之搭配，來誘導賣家訂出「不割喉式競爭」的價格。
從此開始，難度會相較於動態定價概念來說高上許多！
平台簡介：
Mercari為日本社群電商銷售最大的平台，提供賣家在上面銷售自家產品（有點像是掏寶）。
方法：
主要以改良過的機器學習模型 Ridge regression，製作模型，進行預測。
資料：
Mercari 的公開資料，共約148萬筆文字資料，可在本檔案連結下載數據。
數值變數
price: 每一物品的下標價格，也是廠商要可以對賣家做價錢自動建議的變數
類別變數
- shipping: 為一二元變數，1代表是賣家付錢，0代表買家付錢
- item_condition_id: 代表商品狀況
- name: 商品名稱
- brand_name: 商品品牌
- category_name: 商品分類
- item_description: 賣家對商品的敘述
載入套件
將重要套件載入python環境。
讀取資料集並檢視價格
檢視價格的目的在於
- 挑選損失函數
- 了解價格分佈
由價格敘述性統計中，我們發現價格迥異極大，大（max）則到2009美元，平均（mean）27美元，小（min）則0元，且可發現價格分佈呈現右偏分佈，必須使用log轉換，方可將價格的右偏分佈儘量導正到常態分佈，讓訓練上比較快收斂。
損失函數
因為價錢高低之間的不同，如果要做預測，最好使用RMSLE（Root Mean Square Logarithmic Error）的方式當作損失函數，主要原因是用來調節 「預測值」低於「真實值」的損失，讓預測出來的結果儘量不會過低於真實值，以免造成電商平台割喉式競爭，得不償失。
舉例來說：
我的預測值 = 售價6元；真實值 = 售價10元，他的RMSLE = 0.4520
我的預測值 = 售價14元；真實值 = 售價10元，他的RMSLE = 0.3102
明顯發現當我的預測值低於真實值時，就會受到損失函數的懲罰（penalty），那透過機器學習最常使用的梯度下降法（gradient descent）來說，便會優先將售價6元的數值調高，想辦法降低RMSLE的損失。那以「商業應用」來說，就代表著提供賣家儘量不低於市場行情的建議售價，也就避免了降價求售，而電商平台賺不到抽成費用的窘境。
# 預測值 = 6；真實值 = 10 的 RMSLE 計算式
np.sqrt(np.mean(np.power(np.log1p(6) - np.log1p(10), 2)))= 0.4055# 預測值 = 14；真實值 = 10 的 RMSLE 計算式
np.sqrt(np.mean(np.power(np.log1p(14) - np.log1p(10), 2))) = 0.3102
建模
檢視完價格變數及訂定損失函數後，來建模吧， 從現在開始，我們便要針對建模逐步做詳細說明，讓我們趕緊來體驗吧！
定義基本品牌數值
定義模型function參數
開始定義模型文字處理的函式與損失函數。並進行非結構化文字資料與結構化資料處理。
自然語言分析前處理
任何非結構化的資料都必須要轉換成模型訓練能使用的「結構化資料」。
在item_description的欄位中放的是商品的敘述，而商品的描述是非常長的，可比一篇短文，因此在自然語言處理中，我們時常利用TF-IDF法來找到關鍵字，作分析使用；TF-IDF法的全名是 Term Frequency －inverse Document Frequency，簡單來說，他是一種篩選關鍵字的方法，也是現在常使用的文字加權技術，主要有以下兩類：
- 字詞頻率（Term Frequency）： 計算每文章字詞頻率，我們常用詞袋稱之（bag of words）。
- 逆文件頻率（Inverse Document Frequency）： 一個單字出現在文章數目的逆向次數，也就是說，如果該字太常出現，就顯得不重要，例如：「你」、「我」、「他」、「了」、「吧」，這種不具有指標性的主詞或語氣詞，他得加權數值就會顯低上許多。會取log的原因在於隨著每個字詞的增加，其差異次數必是呈現遞減式遞增，如10－9與1000－999之差異，一個是0.1，一個卻是0.001的差距。
舉簡單例子來說，我們有10篇文章當作樣本
- 「鍾皓軒」這個字詞卻在同一篇文章中出現過100次，那「鍾皓軒」的TF-IDF就是100(TF) * log(100/10) = 230
- 「我」這個字詞在10篇文章中都有出現，且僅出現過10次，那「我」字詞的TF-IDF就是10(TF) * log(10/10) = 0
所以從此範例中清楚可見「鍾皓軒」相對於「我」來說，要重要許多！
最後將所有非結構化變數轉變成稀疏結構化矩陣，以便於模型分析，因為一般非結構化的變數如果要轉換成結構化資料，維度通常都會破千萬以上，且並不代表每一個欄位轉換後都有數值存在，所以才稱作「稀疏結構化矩陣」或直接稱作「稀疏矩陣」。
接下來就讓我們開始真正建模吧！
脊迴歸（Ridge regression）
使用本方法的原因在於，因為分析的變數極多，共有7萬多筆自變數，所以一般線性迴歸模型使用的最小平方法忌諱的共線性便容易產生，讓權重（Beta）變得非常不穩定，因此我們便加入L2正規化函式於損失函數後，讓Beta的變動縮小，以達到平衡。
使用脊迴歸訓練完畢後，我們發現其RMSLE = 0.4677，已經算是不錯的標準，接著讓我們來製作出真實值與預測值的比較圖表。
Bingo~! 根據以往資料訓練後的動態定價產生拉～
也就是說，當賣家輸入一串文字與相關結構化訊息後，預測的動態定價就會產生！
價格預測上仍有待更多的資料數目來加強準確度，至於RMSLE是否有發揮預測值比真實值低就會進行調節之作用（逞罰）？ 結果是很明顯的：有！
「預測值（Pred_price）」的個數明顯高於「真實值（true_price）」的個數，這讓平台商推薦給賣家的價格上，不會一面倒造成「割喉式競爭」。
再看平均數值，發現「預測值」的價格比「真實值」的價格普遍來說低上3～6美元，代表預期值個數雖多，但並不會因此大幅度的調昇價格，降低消費者因貴不買之可能性。
由這個動態定價的實例來看，確實有機會
- 因為建議賣家售價，降低賣家定價猶豫的時間，提昇上架的可能性。
- 同時增加操縱賣家「動態售價」的可能性。
- 讓電商平台迅速掌握不同品項的動態定價，便可根據時間週期調整商品供需。
- 利用機器學習模型與損失函數之搭配，來誘導賣家訂出「不割喉式競爭」的價格。
敬請期待！ 即時動態定價 — 集成模型
常言道：「三個臭皮匠，勝過一個諸葛亮」，我們在動態定價 — Python實戰去！僅提及最基本的Ridge regression，試想如果我同時串連好幾個模型進行預測會不會更準確呢？ 這就是機器學習中集成模型（Ensemble model）的概念，在往後的貼文，我們會使用三個不同參數的模型製作集成模型，造就RMSLE降低3%-10%的功效，使結果更加準確！
想了解集成模型與營收之間的關係嗎？ 歡迎繼續閱讀
即時動態定價「實做 2」 — 集成模型（附實現程式碼）
往後的貼文都會持續在行銷資料科學粉絲專頁上發表喔！
再請大家多多follow我們的粉絲專頁：行銷資料科學
Enjoy Marketing Data Science!
共同作者：
鍾皓軒（臺灣行銷研究有限公司 共同創辦人）
羅凱揚（台科大兼任助理教授）
楊超霆（臺灣行銷研究有限公司 資料科學研發工程師）
您可能有興趣：
